本发明涉及运动行为识别技术领域,特别是一种基于位置信息的动物运动行为判别方法及装置。
背景技术
目前,由于人工神经网络的快速发展,其已成为模式识别的强有力的工具。神经网络的运用展开了新的领域,解决其它模式识别不能解决的问题,其分类功能特别适合于模式识别与分类的应用,bp神经网络是目前应用最多的一种神经网络形式,可应用于物体的运动行为判别中。将bp神经网络应用至物体的运动行为判别中,因其误差和函数可能有局部最小值、所得的网络容错能力差、学习率不稳定等缺点,致使将其运用于判别运动行为时,分类效果不理想。奶牛行为是奶牛健康和福利水平的重要指标,奶牛行为准确判别是现代畜牧业的重要研究内容。现有的奶牛行为判别分类多停留在运动状态的层面,无法有效的将运动状态中奶牛的其他生理行为与单纯的运动状态进行分类处理,尤其是奶牛的进食行为与站立行为,导致识别出的运动行为信息不准确,影响对奶牛行为的判断,进而对奶牛的饲养造成一定的负面影响。
技术实现要素:
本发明的目的是提供一种基于位置信息的动物运动行为判别方法及装置,用以解决现有动物运动行为判别方法无法有效的将运动状态中进食行为与站立状态进行分类,导致识别出的行为信息不准确的问题。
为了实现运动行为的准确识别,解决现有运动行为判别方法无法有效的将运动状态中进食行为与站立状态进行分类,导致识别出的行为信息不准确的问题。本发明提供一种基于位置信息的动物运动行为判别方法,包括以下步骤:
1)获取待处理动物运动行为的三轴加速度数据,根据三轴加速度数据对运动行为中的至少站立行为和进食行为进行识别分类;
2)获取与三轴加速度数据对应时刻的动物的位置信息,并将位置信息与动物进食区域进行比对;
3)根据d-s证据理论算法对识别分类出的站立行为和进食行为进行判别得到真实的站立行为和真实的进食行为。
有益效果是,根据位置信息将站立行为中的进食与真实的站立行为进行区分,先根据三轴加速度数据对运动行为进行分类,再将加速数据和位置数据相结合对易混淆的行为进行区分,能够有效提高行为分类的准确性。
进一步地,为了解决相近的加速度数据特征易被错误归类的问题,准确识别进食与站立,所述d-s证据理论算法如下:
(1)站立行为的分类结果和位置信息作为独立判据,以及进食行为、站立行为和不确定行为作为判断结果,建立初始信度表;
(2)进食区域设置有颈枷,动物的位置信息包括动物的后腿位置,根据动物的后腿位置和颈枷的距离对独立判据分别构建基本信任分配函数;
(3)根据d-s合成规则对基本信任分配函数中各焦元合成,得到证据融合结果,实现真实的站立行为和真实的进食行为进行判别。
进一步地,为了快速实现对三轴加速度数据的对应的行为分类识别,将bp网络作为弱分类器,通过训练集的三轴加速度数据反复训练bp网络输出的多分类结果的决策值,再通过adaboost算法构造由多个bp网络弱分类器组成的强分类器,步骤1)中通过所述强分类器对运动行为中的至少站立行为和进食行为进行识别分类。
进一步地,为了得到精准的定位信息,以便于后续d-s证据理论的建立,在包括有所述进食区域的养殖区域的边界上设置至少六个无线传感器,根据无线传感器和设置在动物后腿上的无线腿部标签并经过相似度算法处理后定位得到动物的后腿位置。
为了对定位信息进行校正,使其在误差范围内,进一步地,还通过参考定位传感器获取参考定位传感器与各无线传感器的各测量距离,根据各测量距离和对应标定的实际距离得到误差修正参数,根据所述误差修正参数对动物的后腿位置进行校正。
本发明提供一种基于位置信息的动物运动行为判别装置,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
1)获取待处理动物运动行为的三轴加速度数据,根据三轴加速度数据对运动行为中的至少站立行为和进食行为进行识别分类;
2)获取与三轴加速度数据对应时刻的动物的位置信息,并将位置信息与动物进食区域进行比对;
3)根据d-s证据理论算法对识别分类出的站立行为和进食行为进行判别得到真实的站立行为和真实的进食行为,先根据三轴加速度数据对运动行为进行分类,再将加速数据和位置数据相结合对易混淆的行为进行区分,能够有效提高行为分类的准确性。
进一步地,为了解决相近的加速度数据特征易被错误归类的问题,准确识别进食与站立,上述装置中所述d-s证据理论算法如下:
(1)站立行为的分类结果和位置信息作为独立判据,以及进食行为、站立行为和不确定行为作为判断结果,建立初始信度表;
(2)进食区域设置有颈枷,动物的位置信息包括动物的后腿位置,根据动物的后腿位置和颈枷的距离对独立判据分别构建基本信任分配函数;
(3)根据d-s合成规则对基本信任分配函数中各焦元合成,得到证据融合结果,实现真实的站立行为和真实的进食行为进行判别。
进一步地,为了快速实现对三轴加速度数据的对应的行为分类识别,上述装置中将bp网络作为弱分类器,通过训练集的三轴加速度数据反复训练bp网络输出的多分类结果的决策值,再通过adaboost算法构造由多个bp网络弱分类器组成的强分类器,步骤1)中通过所述强分类器对运动行为中的至少站立行为和进食行为进行识别分类。
进一步地,为了得到精准的定位信息,以便于后续d-s证据理论的建立,上述装置中在包括有所述进食区域的养殖区域的边界上设置至少六个无线传感器,根据无线传感器和设置在动物后腿上的无线腿部标签并经过相似度算法处理后定位得到动物的后腿位置。
为了对定位信息进行校正,使其在误差范围内,进一步地,该装置还通过参考定位传感器获取参考定位传感器与各无线传感器的各测量距离,根据各测量距离和对应标定的实际距离得到误差修正参数,根据所述误差修正参数对动物的后腿位置进行校正。
附图说明
图1是本发明的一种基于位置信息的动物运动行为判别方法的原理流程图;
图2是本发明的奶牛养殖区域中锚节点固定位置的设置示意图;
图3是本发明中奶牛养殖区域划分为相同尺寸的虚拟栅格图。
具体实施方式
下面结合附图对本发明做进一步详细的说明。
本发明提供一种基于位置信息的动物运动行为判别方法,该方法可以用于多种类型动物的运动行为的判别,但都基于三轴加速度传感器检测的运动数据,本发明以奶牛的运动行为为例,将三轴加速度传感器设置于奶牛右后腿上,实时获取奶牛的进食、快走、慢走、平躺、站立、站立动作与躺卧动作7种不同行为。
如图1所示,包括以下步骤:
1)获取待处理奶牛运动行为的三轴加速度数据和与三轴加速度数据对应时刻的动物的位置信息。
通过三轴加速度传感器获得奶牛进食、平躺、站立、躺卧动作、站立动作、慢走、快走7种行为右后腿关节以下处的三轴加速度数据,采用定位装置获取奶牛7种行为对应的位置信息。优选定位装置为设置在奶牛后腿上的无线腿部标签。图1中直接通过数据库获取信息,但数据库的信息为通过上述方式获取的。
通过无线传感器网络移动节点定位得到位置数据,运用相似度算法获得奶牛位置信息,具体步骤如下:
如图2所示,在牛舍即养殖区域周围均匀布置6个无线传感器,即图2中的6个锚节点,其中,锚节点1被设置为汇聚节点,然后收集由每个其他锚节点发送的信息(位置、id等),其中养殖区域毗临过道一侧靠近颈枷位置即为奶牛的进食区域。图2中沙床为奶牛躺卧休息区域。
若牛舍为双列开放式标准化牛舍,则上述养殖区域即表示双列开放式标准化牛舍内的单侧养殖区域,包括进食、休息、活动等区域;锚节点布置在该单侧养殖区域的上下两边,用于该单侧养殖区域内奶牛的定位。
如图3所示,根据所有锚节点的分布信息,锚节点1通过相同尺寸的虚拟栅格对养殖区域进行划分。
每个虚拟网格由四个顶点和四个边组成,将除去养殖区域边界的虚拟网格顶点表示为oj(j=1,2,...,(s-1)2,s表示虚拟网格的数目。
每个无线腿部标签到任一锚节点的距离被定义为di(1≤i≤6),组成距离向量d(d1,d2,...,d6)。
无线腿部标签和锚节点之间进行通信,收集rssi测距数据,以构成向量r(r1,r2,...,r6),采用对数正态阴影模型将向量r转换为距离向量d(d1,d2,...,d6),以获得更好的测距效果。
将除去养殖区域边界的虚拟网格顶点到锚节点的距离定义为hi(1≤i≤6),h1,h2,...,h6构成距离向量h。采用相似度函数计算无线腿部标签与各虚拟网格顶点的近似程度:
式(1)中,di是距离矢量d的第i维,hi是距离矢量h的第i维,ui为di和hi的绝对平均值。通过式(1)计算距离向量d与每个顶点的距离向量h的相似度后,构成对应的数组c表示某一无线腿部标签与所有除去养殖区域边界的虚拟网格顶点接近程度。数组c表示为:
c=[e1,e2,...,e(s-1)2](2)
式(2)中,ei为由式(2)计算的距离向量d与第i个顶点的距离向量h的相似度值。
然后,通过计算最高相似度值的三个顶点的质心来获得无线腿部标签的坐标:
式(3)中,(x,y)是无线腿部标签的坐标,(xj,yj)是具有最高相似度的顶点坐标。在实际的工作环境中,无线腿部标签和锚节点之间的距离测量中总是存在不可避免的误差。为了获得理想的定位精度,需要通过参考定位传感器校正测量距离。通过比较实际距离和测量距离,可以获得精确的误差。误差修正如下:
di′=di(1+δ)(5)
式(4)和(5)中,ei是参考定位传感器到第i个锚节点的真实距离,fi是参考定位传感器到第i锚节点的测量距离。参考定位传感器和每个锚节点之间的实际距离,可以通过系统部署后的位置关系来确定。测量距离是参考定位传感器与每个锚节点之间的rssi值通过对数正态阴影模型计算获得的。δ是误差系数,反映参考定位传感器的测量距离精度。参数di是从一条无线腿部标签到第i个锚节点的测量距离。参数di′是修正的距离。
2)根据三轴加速度数据对运动行为中的至少站立行为和进食行为进行识别分类。
优选根据三轴加速度数据通过multi-bp-adaboost算法对运动行为中的至少站立行为和进食行为进行识别分类。该站立行为和进食行为的识别分类还可以通过其他现有的分类方式进行分类,例如,分类决策树模型。
multi-bp-adaboost算法将bp网络作为弱分类器,对具有7个类别的奶牛行为数据集,反复训练bp网络直接输出多分类结果的决策值,最后通过adaboost算法构造多个bp网络弱分类器组成的强分类器,选取最大决策值所对应的类别作为所属的奶牛行为类别。
设一组奶牛行为训练数据集:t={(p1,q1),…,(pn,qn)},其中pi
(1)初始化bp弱分类器的总数h和各训练样本的权值ω1i,其中
(2)训练h个弱分类器。
对于m=1,2,…,h,执行以下步骤:
1、对有权值分布的训练数据集进行训练,得到bp弱分类器:gm(p):p→{m=1,2,…,7},其中m表示所分类的奶牛行为类别。
2、计算gm(p)的分类误差率,
3、计算gm(p)的系数,
4、更新训练数据集权值分布
(3)构造强分类器
3)将位置信息与动物进食区域进行比对,并根据d-s证据理论算法对识别分类出的站立行为和进食行为进行判别得到真实的站立行为和真实的进食行为。
d-s证据理论算法如下:
(1)站立行为的分类结果和位置信息作为独立判据,以及进食行为、站立行为和不确定行为作为判断结果,建立初始信度表。
设置进食/站立行为的分类结果和奶牛的位置信息为2个独立判据,依据不同判据的奶牛行为判断结果定义识别框架θ={进食,站立,不确定}。定义可信度分配函数mij(i=1,2,j=1,2,3),且
(2)进食区域设置有颈枷,动物的位置信息包括动物的后腿位置,根据动物的后腿位置和颈枷的距离对独立判据分别构建基本信任分配函数。
针对2个独立的判据,应用区间法分别构建基本信任分配函数,如表1所示,表1中a表示奶牛后腿与颈枷之间的水平距离;b表示奶牛(不包含头部)的平均体长;c表示各奶牛平均定位误差的最大值;d表示奶牛养殖区域的宽度,颈枷位置如图2所示。采用腿部固定方式安置三轴加速度传感器时,进食行为与站立行为之间易混淆,对于进食/站立行为分类结果这一判据,两者概率可被视为近似相等,故将分类结果所估计的行为概率设为0.5,另一种行为的概率设为0.4,不确定性的概率设为0.1。当奶牛后腿与颈枷之间的水平距离接近l(奶牛不包含头部的平均体长)时,奶牛极可能处于进食状态;当奶牛后腿与颈枷之间的水平距离接近于0时,奶牛处于平行或背对颈枷状态,更可能为站立行为,此外奶牛位置距颈枷越远,站立行为的概率越大。
表1
(3)根据d-s合成规则对基本信任分配函数中各焦元合成,得到证据融合结果,实现真实的站立行为和真实的进食行为进行判别。
根据d-s合成规则对各焦元合成,推导2组证据联合作用下的mass函数。
式(6)中,m'为证据融合结果,m'(进食)、m'(站立)、m'(不确定)分别为证据融合后进食、站立、不确定的概率值。k、k1、k2和k3为融合过程的中间变量。m1(进食)、m1(站立)、m1(不确定)为算法分类结果所决定的进食、站立、不确定的概率值,m2(进食)、m2(站立)、m2(不确定)为由奶牛位置计算获得的进食、站立、不确定的概率值。在得到全部证据对于识别框架θ中各状态的概率分配后,可由式(7)和式(8)的规则确定奶牛所处的行为状态(进食或站立)。
式(7)和(8)中,ε1、ε2为预先给定的阈值,为了奶牛行为分类的可靠性,一般设定ε1的值远大于ε2的值,研究中经反复调试,设置ε1、ε2分别为0.2和0.03。如式(7)和式(8)的条件无法满足,则奶牛行为分类结果为不确定,相应的行为数据从奶牛行为识别中移除。
具体实验中对奶牛进食、站立、平躺、慢走、快走、站立动作、躺卧动作7种运动行为的加速度及位置数据进行采集,每头牛每天采集4h数据。因试验过程中数据丢包及其他因素影响,试验共采集25921组原始数据,其中,运动行为持续时间超过5s的有效数据有18030组数据。躺卧动作和站立动作的行为转换时间通常超过5s,采用持续时间超过4s的数据可有效包含奶牛行为活动的整个过程,保证行为数据的完整性和可辨别性。采集的7种运动行为数据详细构成如表2所示。
表2
选取13057条有效数据中10818条数据(占总有效数据60%比例)作为训练数据集,用于构建二叉决策树模型;7212条数据(占总有效数据40%比例)用作测试数据集,对分类器模型进行加速度计测量(输入)和相应行为类别(输出)的训练。
采用multi-bp-adaboost算法对奶牛行为模式进行分类如表3所示,表3中a为分类中使用的测试样本总数;b为multi-bp-adaboost算法对每个行为模式预测的行为总数。
分类结果表明,平躺、躺卧动作、站立动作、慢走、快走行为的识别能够达到期望水平。但也存在误判为其他行为的情况,其中,进食和站立行为容易相互混淆(分别为38%和38.2%)。从总体上来看,如表4所示,multi-bp-adaboost算法的整体性能较好。奶牛的7种行为特征的识别准确度均较高,除进食和站立行为外,其他行为的灵敏度和精度均良好。
表3
表4
奶牛的实际位置数据是应用现有的图像处理软件获取,通过与基于相似度函数的定位算法获得的位置数据进行直接比较来实现。在静态条件下,系统的定位性能比运动状态下的定位性能高。表5示出了五个无线腿部标签和参考位置传感器定位性能的最大值、平均值和最小值。参考位置传感器的定位误差明显低于无线腿部标签的定位误差。这是因为在试验期间,参考位置传感器的位置坐标是保持不变的。
在应用基于rssi相似度的定位算法后,五个无线腿部标签的平均定位误差为1.16米,最大平均定位误差为1.30米,低于奶牛(不包括头部)的平均体长。取得的结果证实了位置信息可以进一步用于区分进食和站立。此误差不会影响不需要高度定位精度的相应行为指标的分析。此外,参考位置传感器具有更高的定位精度,可以通过公式(4)和公式(5)有效修改无线腿部标签的距离误差,以保证定位性能。
表5
通过基于d-s证据理论的数据融合方法对数据样本进行预测,并使用该方法对其进行重新分析,其中证据来源是由multi-bp-adaboost算法和奶牛位置所提供的分类结果组成。表6显示了再分类结果,两种行为的识别效果显著提高,表6中a表示在重新分类中使用的数据样本总数;b表示基于d-s证据理论的数据融合方法预测进食、站立和不确定行为的行为总数。这种改进的结果表明,将证据进行关联是一种可行的操作方法。但同时,由于无法满足分类标准的条件,舍弃了77个数据样本。表7展示了数据融合方法的统计性能。两种行为的灵敏度和精度分别提高了20个百分点和18.5个百分点。此外,由于在重新分类中所使用的数据样本中真实负数的比例已经下降,进食和站立的准确度不可避免地降低。
表6
表7
以上给出了本发明涉及的具体实施方式,但本发明不局限于所描述的实施方式。在本发明给出的思路下,采用对本领域技术人员而言容易想到的方式对上述实施例中的技术手段进行变换、替换、修改,并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同,这样形成的技术方案是对上述实施例进行微调形成的,这种技术方案仍落入本发明的保护范围内。